ENGINEERINGNET.BE - Bossen, graslanden en landbouwsystemen spelen een grote rol bij het vastleggen van CO2.
Dit wordt traditioneel gemeten via flux-torens. Dit levert heel nauwkeurige data op, maar ze zijn beperkt in aantal en staan op specifieke locaties.
De nieuwe studie combineert daarom veldmetingen van flux-torens met satellietwaarnemingen van de Europese Sentinel-2-missie.
Er zijn vervolgens drie modelleringsbenaderingen toegepast: statistische modellen, machine learning en deep learning.
De resultaten tonen aan dat machine learning-methoden lokale metingen kunnen opschalen naar regionaal niveau, wat nieuwe mogelijkheden biedt voor grootschalige milieumonitoring.
Het combineren van de drie benaderingen kan in toekomstige toepassingen de beste resultaten opleveren.
Ook onderzochten de onderzoekers of één enkel model is toe te passen op verschillende ecosystemen: van bossen tot graslanden en akkerland.
Dit blijkt haalbaar te zijn. Het best presterende model leverde een goede nauwkeurigheid, ook op onbekende locaties.
“Dit is een belangrijke stap in de richting van het monitoren van de productiviteit van ecosystemen op grotere schaal, zonder dat er gedetailleerde lokale kalibratie nodig is”, zegt datawetenschapper Anna Spinosa van Deltares.
Er zijn echter nog steeds beperkingen. De prestaties van modellen variëren per ecosysteem, en modellen kunnen nog steeds moeite hebben met zeer dynamische omgevingen, zoals landbouwsystemen.
Toekomstig onderzoek richt zich op het verbeteren van de robuustheid van modellen door aanvullende data, zoals bodemeigenschappen en nieuwe satellietproducten, te integreren en door de aanpak uit te breiden naar meer regio’s.
Naarmate datasets voor aardobservatie groeien en AI-methoden verbeteren, kan deze aanpak de basis vormen voor operationele systemen die ecosystemen en CO2-opname vrijwel in realtime volgen.
